Ultralytics YOLOv5

Обзор

YOLOv5u представляет собой прогресс в методологии обнаружения объектов. Возникнув на основе фундаментальной архитектуры YOLOv5 разработанной на сайте Ultralytics, YOLOv5u интегрирует безъякорную и безобъектную расщепленную голову - функцию, ранее представленную в YOLOv8 модели. Эта адаптация улучшает архитектуру модели, что приводит к улучшению компромисса между точностью и скоростью в задачах обнаружения объектов. Учитывая эмпирические результаты и полученные характеристики, YOLOv5u представляет собой эффективную альтернативу для тех, кто ищет надежные решения как в исследовательских, так и в практических приложениях.

Основные характеристики

• Безъякорный сплит Ultralytics Head: Традиционные модели обнаружения объектов полагаются на предопределенные якорные ящики для предсказания местоположения объектов. Однако YOLOv5u модернизирует этот подход. Благодаря использованию безъякорной сплит-головки Ultralytics , она обеспечивает более гибкий и адаптивный механизм обнаружения, что повышает производительность в различных сценариях.

• Оптимизированный компромисс между точностью и скоростью: скорость и точность часто идут в противоположных направлениях. Но YOLOv5u бросает вызов этому компромиссу. Он предлагает выверенный баланс, обеспечивая обнаружение в реальном времени без ущерба для точности. Эта особенность особенно важна для приложений, требующих быстрой реакции, таких как автономные транспортные средства, робототехника и видеоаналитика в реальном времени.

• Разнообразие предварительно обученных моделей: Понимая, что для разных задач требуются разные наборы инструментов, YOLOv5u предлагает множество предварительно обученных моделей. Независимо от того, на чем вы сосредоточились - на выводе, проверке или обучении, - для вас найдется подходящая модель. Такое разнообразие гарантирует, что вы используете не просто универсальное решение, а модель, специально настроенную для решения вашей уникальной задачи.

Поддерживаемые задачи и режимы

Модели YOLOv5u с различными предварительно обученными весами отлично справляются с задачами обнаружения объектов. Они поддерживают широкий спектр режимов, что делает их подходящими для различных приложений, от разработки до развертывания.

В этой таблице представлен подробный обзор вариантов моделей YOLOv5u, подчеркивающий их применимость в задачах обнаружения объектов и поддержку различных режимов работы, таких как "Вывод", "Проверка", "Обучение" и "Экспорт". Благодаря такой комплексной поддержке пользователи могут полностью использовать возможности моделей YOLOv5u в широком спектре сценариев обнаружения объектов.

Показатели производительности

Примеры использования

В этом примере приведены простые примеры обучения и вывода YOLOv5 . Полную документацию по этим и другим режимам можно найти на страницах Predict, Train, Val и Export docs.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv5n model
model = YOLO("yolov5n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv5n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLOv5n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov5n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv5n model and run inference on the 'bus.jpg' image
yolo predict model=yolov5n.pt source=path/to/bus.jpg

Цитаты и благодарности

Если вы используете YOLOv5 или YOLOv5u в своих исследованиях, пожалуйста, ссылайтесь на репозиторий Ultralytics YOLOv5 следующим образом:

@software{yolov5,
  title = {Ultralytics YOLOv5},
  author = {Glenn Jocher},
  year = {2020},
  version = {7.0},
  license = {AGPL-3.0},
  url = {https://github.com/ultralytics/yolov5},
  doi = {10.5281/zenodo.3908559},
  orcid = {0000-0001-5950-6979}
}

Обратите внимание, что модели YOLOv5 предоставляются по AGPL-3.0 и лицензиями Enterprise.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое Ultralytics YOLOv5u и чем он отличается от YOLOv5?

Ultralytics YOLOv5u - это усовершенствованная версия YOLOv5, включающая в себя безъякорную и безобъектную расщепленную головку, которая улучшает компромисс между точностью и скоростью для задач обнаружения объектов в реальном времени. В отличие от традиционного YOLOv5, YOLOv5u использует механизм безъякорного обнаружения, что делает его более гибким и адаптивным в различных сценариях. Для получения более подробной информации о его функциях вы можете ознакомиться с обзоромYOLOv5 .

Как безъякорная головка Ultralytics повышает производительность обнаружения объектов в YOLOv5u?

Безъякорная головка Ultralytics в YOLOv5u повышает эффективность обнаружения объектов, устраняя зависимость от предопределенных якорных блоков. Это приводит к созданию более гибкого и адаптивного механизма обнаружения, который может работать с объектами различных размеров и форм с большей эффективностью. Это улучшение напрямую способствует сбалансированному соотношению между точностью и скоростью, что делает YOLOv5u подходящим для приложений реального времени. Подробнее о его архитектуре читайте в разделе " Ключевые особенности".

Можно ли использовать предварительно обученные модели YOLOv5u для разных задач и режимов?

Да, вы можете использовать предварительно обученные модели YOLOv5u для различных задач, таких как обнаружение объектов. Эти модели поддерживают несколько режимов, в том числе "Вывод", "Проверка", "Обучение" и "Экспорт". Такая гибкость позволяет пользователям использовать возможности моделей YOLOv5u в различных операционных требованиях. Подробный обзор можно найти в разделе " Поддерживаемые задачи и режимы ".

Как соотносятся показатели производительности моделей YOLOv5u на разных платформах?

Показатели производительности моделей YOLOv5u зависят от используемой платформы и аппаратного обеспечения. Например, модель YOLOv5nu достигает 34,3 mAP на наборе данных COCO со скоростью 73,6 мс на CPU (ONNX) и 1,06 мс на A100 TensorRT. Подробные показатели производительности для различных моделей YOLOv5u можно найти в разделе " Показатели производительности", где представлено комплексное сравнение для различных устройств.

Как обучить модель YOLOv5u с помощью Ultralytics Python API?

Вы можете обучить модель YOLOv5u, загрузив предварительно обученную модель и выполнив команду обучения с вашим набором данных. Вот быстрый пример:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv5n model
model = YOLO("yolov5n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Load a COCO-pretrained YOLOv5n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov5n.pt data=coco8.yaml epochs=100 imgsz=640

Более подробные инструкции можно найти в разделе Примеры использования.

📅 Создано 1 год назад ✏️ Обновлено 14 дней назад

Комментарии